Skip to content

Instantly share code, notes, and snippets.

--
-- Name: categories; Type: TABLE; Schema: public; Owner: kalugamap; Tablespace:
--
CREATE TABLE categories (
id integer NOT NULL,
ancestry character varying(255),
"table" character varying(255),
types character varying(255)[],
/*
* В этой программе осуществляется построение лексического анализатора для булевых выражений,
* который разбивает входной поток символов на лексемы.
*
* Предполагается, что выражения записываются следующим образом:
*
* (true && false) && !true
*/
/*
* В этой программе осуществляется связывание лексического анализатора
* для булевых выражений с синтаксическим анализатором.
*
* Предполагается, что выражения записываются следующим образом:
*
* ((true && false) && !true)
*/
Gem::Specification.new do |s|
s.name = "jruby-openssl"
s.version = "0.8.2"
s.summary = "OpenSSL add-on for JRuby"
s.description = "JRuby-OpenSSL is an add-on gem for JRuby that emulates the Ruby OpenSSL native library."
s.authors = ["Ola Bini and JRuby contributors"]
s.email = "ola.bini@gmail.com"
s.date = "2012-12-11"
package utils
import ch.qos.logback.core.AppenderBase
import ch.qos.logback.classic.spi.ILoggingEvent
import ch.qos.logback.classic.spi.IThrowableProxy
import com.ning.http.client._
import scala.beans.BeanProperty
import scala.collection.convert.WrapAsScala._
import java.net.InetAddress
@alno
alno / example.csv.gz
Last active December 19, 2016 21:38
False convergence cycle warning example
This file has been truncated, but you can view the full file.
# This is a callback function to be used with training of Keras models.
# It create an exponential moving average of a model (trainable) weights.
# This functionlity is already available in TensorFlow:
# https://www.tensorflow.org/versions/r0.10/api_docs/python/train.html#ExponentialMovingAverage
# and can often be used to get better validation/test performance. For an
# intuitive explantion on why to use this, see 'Model Ensembles" section here:
# http://cs231n.github.io/neural-networks-3/
import numpy as np
import scipy.sparse as sp